然而，可悲的是，只有不到30%的資料科學專案最終實施了。我備受打擊的意識到我的努力被浪費了。但是，我不是唯一的乙個。幾乎，每乙個分析家都有同樣失望的感覺。
即使在今天，資料科學行業面臨的真正挑戰是企業和分析人員之間缺乏協調。令我驚訝的是，我甚至注意到，這些人更喜歡坐在同乙個辦公室裡坐在一起。
如果這兩種技能的專業人士很普遍，我們就可以看到乙個實施可能性更高的專案。在過去的四年裡，我花了很多時間思考使乙個專案成功的最佳實踐。
我發現，如果有個對症的人坐在你的辦公室，他能明確定義業務問題，並且誘導你突破思維定式，你將突破管窺限制。
因此，你在資料科學/分析工作中正在取得成功時，我建議你遵循下面提到的提示。這些都是嘗試和測試的總結。為了獲得最大的利益，我建議你遵守。我從他們身上已經受益。現在輪到你了！
以下是優先順序
在你開始解決問題之前請先掌握業務
我知道你是乙個資料分析師，所有你關心的都是數字。但是，乙個令人敬畏的業務分析師和一般資料分析師有哪些不同呢？那就是他們對業務理解的潛質。你應該在開始你的第乙個專案之前試著去了解企業。下面是一些你應該需要探索的東西：
如果你能回答這些問題，你對開始你的第乙個專案已入門。
想想你是正在解決乙個潛在問題，還是只是乙個結果
我觀察到，分析師瞄準的甚至不是問題的主要目標。例如，讓我們想象一下，我們發現，乙個客戶在撥打客戶服務**，談話更多的是他在放棄服務。
現在，如果我們開始解決降低客戶服務的呼叫數量的方法，我們可能不會降低流失率。相反，在你沒有過失的情況下，我已經看到你客戶較高的不滿。這可能是乙個簡單的致命傷，你會拒絕進入這種簡單的陷阱。但是，現實生活中的問題幾乎難以發現。我想說，解決乙個明確的問題要比找到解決問題的正確方法要容易的多。
花費更多的時間在找到正確的評估指標和完成工作需要的必備條件
這個可能是對分析師來說是非常容易解決的乙個難題，但也是最容易導致失敗的乙個陷阱。讓我用幾個簡單例子來做解釋。
假設，你將要建乙個營銷活動的目標模型，你將選擇哪個指標來評估你的模型：
在這種模型中，我常會選擇ks正態分佈曲線。等分提公升指數只能給你在某個特定等分的評估，因此，它可能不會幫助我們找到巨大的目標人群和突破點。auc-roc曲線可以對整體人群評估，不適合在這個模型中。對數似然數可能是最大的最不適合這個模型，因為所有的事情是順序排名而不是實際概率。
使用發散-收斂的思維過程，以避免過早收斂
我已經看到這在許多行業是最大的問題。當今的商界領袖在他們所做的一切中尋求創新。
要真正的創新，您可以遵從發散-收斂的系統方法。在某種程度上，你需要對將要到來的進行發散思維，通過這種方法你得到更多的經驗。我們的意思是想所有的可能方式，在可行性、時間發展、傳統方式等各個方面破解難題。但是，你確信你已經發散到足夠大了，你需要立即應用所有的約束條件來縮小方法。
打破行業壁壘想到替代解決方案
分析正在使用在每乙個可能的行業中。但是，為什麼我們不能超越傳統的方法，在其他行業尋找解決方案？
與業務夥伴共同前行
從你的分析事業的第一天起，你應該與業務夥伴進行互動。我常常會看到一件一般會出錯的事，分析師和業務夥伴就解決方案交流很不頻繁，業務合作夥伴想遠離技術細節從業務角度進行分析，這確實對專案不利。在模型實施和模型建模中保持持續的互動是非常重要的。
思考最簡單的讓你的想法落地的方案
以下是你需要做的：一旦你輸出乙個指標，盡量找出乙個簡單的方式，可以讓企業更容易理解。讓我給你這個方法的乙個例子。我們試圖找出那些一旦有機會，就可以做的非常好的**商，我們想出不同層次的人群和他們預期的表現。然而，我們不得不選擇乙個可以區分人群組合的方式。我們所做的很簡單：我們實施了差別收費策略，以改變申請人的組合和我們群體的組合。
當做乙個業務元件的時候，確保你把它放到它們的語言場景中
目標指標永遠不是你分析的最終產品。它只是乙個業務元件！因此，你需要在使你的想法更清晰和更有效而投入大量的精力。嘗試學習能與你的聽眾更好連線在一起的術語，思考你的商業夥伴想尋找什麼，假象你是他們的鞋子。
給企業領導做講演的時候學會使用業務語言
我最近開始為我的乙個專案學習中文。整個專案都非常簡單，但我發現，即使有乙個強大的模型，在銷售它的時候我犯了個錯誤。原因是我對他們內部討論的理解一篇空白。使用你的聽眾的語言是非常重要的。我看到非常簡單的模型被讚賞和最聰明的模型被拒絕。唯一的區別是分析師在介紹他們的模型時使用的業務語言。
積極跟進落實計畫
最後來的但不是最不重要的，一旦每個人都相信你的模型的有效性，會發生什麼。你的工作還沒有完成。建立每月專案跟進計畫，了解專案如何實施，是否在正常的進行。
積極參與資料類的比賽
隨著時間的發展，你會意識到一件事情：分析行業的變化非常快。然而，如果你是喜歡待在自己舒適區的乙個人，你很快就會發現你的技能都過時了。我發現乙個非常有用的方法就是參與資料類的科學競賽，並與同行競爭/學習。 kaggle 和analytics vidhya就是一些非常好的比賽。
IBM 2019 2020資料科學校招
ibm，即國際商業機器公司,international business machines corporation nyse ibm 1911年創立於美國，是全球最大的資訊科技和業務解決方案公司，是一家擁有近40萬員工 1000億美元資產的大型企業，它是世界上經營最好 管理最成功的公司之一。在過去的...
力壓 R，Python 在資料科學領域風生水起
tiobe 最新發布的 9 月程式語言排行榜中，python 憑 4.67 的增速以 0.26 的優勢力壓 c 逆襲成功進入 top 3。tiobe 9 月程式語言 top 5 而近一年勢頭不滅的 python 在資料分析領域，是專家們的必備技能。隨著 it 行業的增長，對有經驗的資料科學家的需求也...
Python在資料科學，工作方面需要技能有哪些？
python在資料科學，機器學習，深度學習工作方面需要的十大技能有哪些？來，看過來，我帶你了解.1.從檔案或 讀取資料 2.把資料寫入檔案或 3.了解各種資料型別data types 4.會編寫函式 5.資料清洗 numpy pandas 6.資料視覺化 matplotlib seaborn 7.機...